专栏首页arxiv.org翻译专栏比激光更快——用深度神经网络实现流推理

比激光更快——用深度神经网络实现流推理

随着物联网、社交网络、智能城市等领域可用数据的不断增加,智能体对这些数据进行实时处理和推理已成为基础。然而,随着时间的推移,利用背景知识对带注释的数据进行推理可能是有挑战性的,由于此类数据的生成量和速度,在代理需要发现潜在问题的场景中,这种复杂的推理是必要的,而这不能用简单的流处理技术来完成。流推理机的目标是在推理和流处理之间架起一座桥梁,而激光就是这样一种流推理机,设计用于分析和执行数据流上的复杂推理。它是基于LARS(一种扩展答案集编程的基于规则的逻辑语言)的,与其他最先进的流式推理系统相比,具有更好的运行结果。然而,对于高水平的数据吞吐量,甚至激光也可能无法及时计算出答案。在本文中,我们研究了卷积和递归神经网络,这两种神经网络已被证明特别适合于时间序列的预测和分类,是否可以训练为近似推理与激光,使代理人可以受益于他们的高处理速度。

原文题目:Faster than LASER -- Towards Stream Reasoning with Deep Neural Networks

原文:With the constant increase of available data in various domains, such as the Internet of Things, Social Networks or Smart Cities, it has become fundamental that agents are able to process and reason with such data in real time. Whereas reasoning over time-annotated data with background knowledge may be challenging, due to the volume and velocity in which such data is being produced, such complex reasoning is necessary in scenarios where agents need to discover potential problems and this cannot be done with simple stream processing techniques. Stream Reasoners aim at bridging this gap between reasoning and stream processing and LASER is such a stream reasoner designed to analyse and perform complex reasoning over streams of data. It is based on LARS, a rule-based logical language extending Answer Set Programming, and it has shown better runtime results than other state-of-the-art stream reasoning systems. Nevertheless, for high levels of data throughput even LASER may be unable to compute answers in a timely fashion. In this paper, we study whether Convolutional and Recurrent Neural Networks, which have shown to be particularly well-suited for time series forecasting and classification, can be trained to approximate reasoning with LASER, so that agents can benefit from their high processing speed.

原文链接:https://arxiv.org/abs/2106.08457

原文作者:João Ferreira, Diogo Lavado, Ricardo Gonçalves, Matthias Knorr, Ludwig Krippahl, João Leite

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 业界| 芯片之争:CPU、GPU、DSP、NPU,到底哪个更适用于深度学习?

    编者按:为保证内容的专业性,本文已邀深度学习芯片领域专家把关审核过,作者铁流。 日前,Intel称将于2017年推出针对深度学习市场的CPU Knights M...

    AI科技评论
  • 自动驾驶核心技术之三:环境感知

    自动驾驶四大核心技术,分别是环境感知、精确定位、路径规划、线控执行。环境感知是其中被研究最多的部分,不过基于视觉的环境感知是无法满足无人驾驶要求的。

    用户1908973
  • 相机+激光雷达重绘3D场景

    原文 https://medium.com/ouster/the-camera-is-in-the-lidar-6fcf77e7dfa6

    LiveVideoStack
  • 工业界表面缺陷检测方法综述

    产品的表面缺陷检测是近年来制造业中格外关注的一项技术问题。作为生产制造过程中必不可少的一步,表面缺陷检测广泛应用于各工业领域,包括3C、半导体及电子、汽车、化工...

    用户7699929
  • MIT新突破:Nature Photonics揭秘新型光学深度神经网络系统

    选自MIT 作者:David Chandler 机器之心编译 参与:吴攀、黄小天、蒋思源 尽管科学家和研究者一直在探索新型的计算形式,但目前电子计算仍然是绝对...

    机器之心
  • 首个光电子神经网络问世,速度快3个数量级,扩展人工智能新疆域

    【新智元导读】 光学计算一直被计算机科学界寄予厚望 。光子具有比电子多得多的带宽,因此可以更快地处理更多的数据。但是光学数据处理系统的优点从未超过制造它们的额外...

    新智元
  • 神经网络也有玻璃心?玻璃中掺入杂质模仿神经元,完成数字识别,几乎不用电力!

    通过神经网络进行图像识别、智能推荐已经非常普遍。最近几年,计算能力和并行处理的增加使其成为一种非常实用的技术。然而,在核心层面,它仍然是一台数字计算机,和其他的...

    大数据文摘
  • Ouster将相机与激光雷达融合,并更新了开源驱动程序

    当Ouster三年前开始开发OS-1时,相机的深度学习研究超过了激光雷达研究。激光雷达数据具有令人难以置信的好处,丰富的空间信息和照明无法识别也能感应,但它缺乏...

    AiTechYun
  • 莱斯大学&英特尔新算法证明CPU加速深度学习优于GPU!老黄核弹警告

    莱斯大学和英特尔的最新研究证明,无需专门的加速硬件(如GPU),也可以加速深度学习。

    量子位
  • 颠覆传统计算架构:光神经网络硬件登上Nature

    光纤以光的形式传输数据,是现代远程通信网络的支柱。但在分析这种数据时,我们需要把光转换为电子,然后用电子方法进行处理。光学曾被认为是一种潜在计算技术的基础,但由...

    机器之心
  • 150秒内快速诊断脑瘤!最新AI光学成像系统在《Nature Medicine》发表

    人工智能正在各个领域大放异彩,不断扩充应用的版图!在手术室也显示出了新的希望!新的研究表明,机器学习可以在150秒以内诊断出脑肿瘤,所需时间仅仅是人类专家的一小...

    新智元
  • 链家进军地产大数据;英伟达新做法惹恼AI研究人员 | DT数读

    过去一周,国际、国内的大数据相关公司都有哪些值得关注的新闻?数据行业都有哪些新观点和新鲜事?DT君为你盘点解读。

    DT数据侠
  • (图解)机器学习的衰颓兴盛:从类神经网络到浅层学习

    1950年代计算机发明以来,科学家便希冀着利用计算机创造出人工智能;然而,当时的硬件效能低落、数据量不足,随着通用问题解决机、日本第五代计算机等研究计划的失败,...

    GPUS Lady
  • 塔荐 | 从神经科学到计算机视觉:人类与计算机视觉五十年回顾

    前 言 本文简单的介绍了神经网络近50年的发展历程,从1968年的Hubel和Wiesel开展的猫实验,一直到李飞飞教授等人的成果。从本质上讲解了人工神经网络...

    灯塔大数据
  • 从此,激光雷达和摄像头,就是一个东西了?

    最近几年,放在摄像头上的深度学习研究,发展很蓬勃。相比之下, 激光雷达 (LiDAR) 身上的学术进展并不太多。

    量子位
  • 从神经科学到计算机视觉:人类与计算机视觉五十年回顾

    【新智元导读】本文简单的介绍了神经网络近50年的发展历程,从1968年的Hubel和Wiesel开展的猫实验,一直到李飞飞教授等人的成果。从本质上讲解了人工神经...

    新智元
  • 回顾:十大重要的脑科学研究

    大数据文摘
  • 7 Papers & Radios | Transformer助力CAD草图生成;光学神经网络做数字识别

    论文 1:Self-Supervised Pillar Motion Learning for Autonomous Driving

    机器之心
  • 【激活函数合集】盘点当前最流行的激活函数及选择经验

    在阅读DarkNet源码的时候发现作者定义了大量从古至今流行的损失函数,本着科普的态度我打算做一个全面的总结,所以就有了这篇文章。

    BBuf

扫码关注云+社区

领取腾讯云代金券